基于深度学习的学习质量智能评估系统设计

苟睿超， 叶晓龙， 王彬， 张伟， 胡悦

(空军军医大学 教学考评中心， 陕西 西安 710032)

0 引言

随着高校规模的扩张，在学生管理及学习质量评估中所需要消耗的资源也越来越多[1]。由于高校中参加教学管理的人力资源有限，使得教辅人员承担了繁重的工作任务，为此迫切需要建立一套智能化的学习质量分析系统[2]。计算机及人工智能技术已在许多领域得到了广泛应用，将这些技术应用于学习质量分析中，可以较大程度上提高学习质量评估的效率，减少教辅人员的人资消耗，实现评估的自动化与智能化。

基于以上分析，本文建立了基于深度学习的学习质量智能评估系统。该系统从功能上可以分为评估指标管理单元、评估管理单元、评估数据分析单元和评估系统管理单元四个部分，各组成单元相互协同完成系统的功能性需求。功能性单元的设计保证了系统能够完成所需功能，而系统的稳定性、安全性等却没有考虑。为此本文还设计了满足系统稳定性等非功能需求的软件架构，包括业务展示层、逻辑控制层、服务层和数据层。系统功能测试与性能测试结果表明，本系统能够较好地完成系统设计所要求的功能性和非功能性需求，利用该系统所得到的学生学习质量评估结果与人工评估结果的一致性良好。且该系统交互简单、功能完备，可以较大程度上提高工作效率，具有良好的应用价值。

1 系统设计

将人工智能中的深度学习技术应用于学习质量评估系统设计中，能够较大程度上提高评估的质量与效率[3-4]。本节主要介绍智能评估系统的设计需求以及基于需求所设计的系统总体框架。

1.1 需求分析

学习质量评估是对学生在某个时间段中学习效果的定量分析，同时也是高校进行学生日常管理工作的一部分。为了减轻高校教辅人员负担，提高学习质量评估的效率与精准度，本文所设计的系统主要需求如下。

(1) 将注册登录后的用户分为不同的角色，并匹配相应操作和访问权限。文中所设计系统涉及的角色主要包括4种：学习评估系统管理者、学生、带课教师及高校领导或专家。

(2) 学习质量智能评估系统可以进行的操作或用户与系统的交互需要涵盖以下5种情况：评估对象的选择(教师、领导和专家)、评估活动的参与(学生、教师、领导和专家)、评估准则的制定(系统管理者、领导和专家)、评估结果的查看(所有角色)以及评估结果的处理(系统管理者)。对应的系统角色用例图,如图1所示。

图1 评估系统角色用例图

不同的角色由于权限与职责的不同，所参与的评估阶段和方式即存在差异，该图同时也体现出参与角色及系统数据之间的对应关系。

(3) 系统能够根据评估结果，对未达标的学生进行监控。同时也支持在系统中设置阈值，若评估结果低于一定的阈值或本次评价结果低于前一次结果的一定范围，则向管理者发送相关信息，以便于针对性地提高学生学习质量。

1.2 系统功能单元设计

在完成对学习质量评估系统的开发需求进行分析后，需要梳理系统中每类角色所涉及的业务流程，进而设计相应的功能单元。

本文设计基于深度学习的学习质量智能评估系统在功能上可划分为四个组成单元：评估指标管理单元(单元一)、评估管理单元(单元二)、评估数据分析单元(单元三)以及评估系统管理单元(单元四)。这些一级单元又可细分为多个二级子单元，具体如图2所示。

图2 评估系统功能单元

各功能单元的具体分析如下。

(1) 评估指标管理单元。该部分主要是对评估的形式、时间等进行维护，在对该功能单元进行设计时，考虑到该系统主要是面对高校学生。而高校最常采用的评估形式就是调查问卷，为此本文也采用这种相对成熟的方式[5]。调查问卷的优势在于能够在一定程度上保证评估内容的全面性，其中不同的题目代表不同的评估指标，指标具体内容由教育评估专家组制定，再由系统管理员进行整合实现[6]。对应评估指标管理单元的二级子单元有评估指标制定、问卷类型设置、问卷参数设置和调查问卷生成等功能。

(2) 评估管理单元。在进行学习质量评估的过程中，由于不同角色本身存在认知差异，同时对具体评估内容的理解也不同。因此为了更全面地进行评估，除了学生自身参加外，其代课老师及学校也应参与其中[7]。评估管理单元需要根据角色的不同为其制定不同的评估指标(调查问卷)，本系统主要包括3项功能：学生自评、教师评价和学校评价。

(3) 评估数据分析单元。本系统的核心是对能够表征学习的参数进行计算，进而实现对学习质量的智能评估。因此该数据分析单元的功能即对得到的评估数据进行科学、有效地分析，进而得到更加符合实际情况的评估计算结果。层次分析法(AHP)是一种能够迅速、深入、有效地对数据进行分析处理的方法[8]，具体应用方法将在下文中进行介绍。同时在该单元中引入人工智能领域中的深度学习算法，最大程度上保证学习质量评估结果的客观性与准确性。另外，该部分还支持将数据分析结果利用图表进行可视化展示，并通过设置阈值将学习质量偏低或下滑的学生进行监控。

(4) 评估系统管理单元。该部分主要用来保障系统的正常运行，这一部分只有系统管理员有操作权限。系统管理员可以通过这一单元为系统用户分配操作权限，同时对系统数据库及运维进行日常管理。

2 系统实现

2.1 系统软件架构

为了保证系统平稳运行，除了满足上述功能性需求外，还需要满足一定的非功能需求，本系统在设计过程中考虑的非功能需求包括稳定性、易用性、安全性和可扩展性。其中，稳定性是指系统能够在各种条件下平稳运行，尽量避免系统卡顿；易用性是指系统操作简单，适合不同水平的人员使用，具有良好的人机交互页面；安全性是指系统在运行过程中必须保证数据的隐私与安全[9]；可扩展性则是指系统需要考虑评估指标等因素的可变性，系统能够根据实际需要不断进行改进和扩展。

为了使所设计的系统符合上述非功能性需求，采用的软件架构如图3所示。

图3 评估系统软件架构

从该软件架构上看，系统可划分为4层：业务展示层(View)、逻辑控制层(Controller)、服务层(Service)和数据层(Dao)。其中，View层负责系统页面的展示，为系统提供人机交互界面，这一层本系统采用JSP技术；Controller层负责业务逻辑的控制是View层与Service层之间的过渡层，能够实现接收页面采集的参数并传给Service层进行处理，处理完成后接到返回值，再返回给页面[10]；Service层中主要定义了一些业务处理的具体方法；Dao层则是较为底层的架构，其中包括了一些与数据库之间的交互操作，例如数据的增删修改等[11]。

2.2 学习质量智能评估

系统学习质量评估数据是通过学生、教师等参与者进行调查问卷获得的，接下来的问题即如何对采集到的数据进行智能化处理与分析。为此，建立了数据处理流程如图4所示。

图4 系统数据处理流程

首先,将获取到的各角色评估数据、设置的评估指标等初始信息存入到系统数据库中，经过数据预处理后利用AHP算法对各种指标信息进行分析，最后通过深度学习算法给出最终的学习质量评估结果。

在上述对数据的处理中，系统用到了层次分析法与深度学习技术，下面将对这两种关键技术进行分析。

(1) 层次分析法。考虑到学习质量评估包含多个不同的指标且各指标之间存在一定的层次关系，为了准确对学生的学习质量进行评估，则需要确定每个指标对结果的影响程度，以此确定最优的权重。本文采用层次分析法(AHP)对各评估指标进行管理。

层次分析法的核心思想[12-14]为将复杂问题分解为不同层次的影响因素，利用决策者的经验对同层各因素之间的相对重要性进行比较，构建成对比较判断矩阵。并通过该矩阵来计算各因素的权重，最终得到单一因素对整体目标影响的综合权重，从而将所有影响因素根据权重合成为一个量化指标。

通过层次分析法可以得到不同评估指标的权重，进而实现对学生学习质量的汇总，同时为了去除量纲的影响，还需进行归一化处理。

(2) 深度学习。其是人工智能领域的一个重要分支，最主要目的在于通过构建人工神经网络，深度挖掘数据最本质的信息[15]。深度学习中包括多种经典的算法来针对不同的任务，常用的有[16]卷积神经网络(CNN)、深度置信网络(DBN)及自编码网络(AEN)等。本文充分考虑系统设计的功能性与非功能性需求设计了网络结构模型，如图5所示。

图5 系统深度神经网络结构模型

该模型是一个具有输入层、全连接层、屏蔽层和输出层的深度神经网络。其中输入层是数据输入的神经元，对输入数据进行归一化处理后，传递到全连接层；全连接层会对接收到的输入进行加权求和，然后利用Sigmoid等非线性激活函数进行处理，得到一个实数值进行输出；屏蔽层根据事先设置的百分比(本系统为30 %)，使得上一层神经元的输出为0，同时当前层中输出不是零的神经元与下一层神经元之间是全连接；最后是输出层，可以得到模型对于学习质量的评估分值，通常通过Softmax函数来实现。

3 系统测试

为了验证本系统在评估高校学生学习质量中的可行性与可靠性，在完成系统的搭建后进行了以下两项测试：系统功能测试和系统性能测试。其中，系统功能测试主要验证系统所包含的各基本功能是否按照设计需求正常操作；系统性能测试则是分析系统智能化处理结果与人工处理结果的一致性，以此判断系统性能。

(1) 系统功能测试。该部分测试所包含的项目较多，本文列举出其中相对重要的几项，包括：用户注册登录、管理员权限分配、评估指标录入、调查问卷填写以及智能化评估。对应的测试结果，如表1所示。

表1 系统基本功能测试结果

由测试结果可以看出，该系统能够较好地实现用户注册登录、管理员权限分配等基本功能，各项结果均符合预期。

(2) 系统性能测试。本系统的性能测试主要是对比高校教辅人员的人工处理结果与系统的智能化处理结果之间的一致性。两种方式对学生学习质量的评估中，采用十分制(满分10分)积分随机选取了高校5名学生的评估数据，经人工与系统分别处理后得到的结果,如表2所示。

表2 系统评估与人工评估结果对比

通过上述5名学生的系统与人工评估结果可知，两者的一致性可达到97%以上，即系统的误差能够控制在3%以内，说明本系统能够以较高的准确度完成对学习质量的智能化数据处理，验证了系统的可行性与可靠性。

4 总结

本文基于人工智能技术开发了一种智能化的学习质量评估系统，以期改进传统方法中的各种不足。该系统由评估指标管理单元、评估管理单元、评估数据分析单元和评估系统管理单元四个部分所组成，利用深度学习与层次分析法对采集的评估数据进行智能化处理。最后进行的两项系统测试结果说明，文中所设计的系统除了能够较好地实现用户注册登录、管理员权限分配等基本功能外，其系统性能即系统评估结果与人工评估结果的一致性可达到97%以上，在确保评估精准度的前提下能够有效提高工作效率，实现智能化学习质量评估。